Se determina el modelo de servicios diarios entre el períodode 2019 hasta julio de 2024 con frecuencia diaria.
ruta_servicios <- "/cloud/project/df_serv_dif.xlsx"
excel_sheets(ruta_servicios)
## [1] "Sheet1"
servicios <- as.data.frame(read_xlsx(ruta_servicios,
sheet = "Sheet1", col_names = T))
## New names:
## • `` -> `...1`
colnames(servicios) <- c("","Indice", "Fecha", "Totales")
servicios <- select(servicios, c("Indice", "Fecha", "Totales"))
nrow(servicios)
## [1] 183
head(servicios)
## Indice Fecha Totales
## 1 1 2019-07-03 -1.0949284
## 2 2 2019-07-11 -2.4210608
## 3 3 2019-07-20 2.0561828
## 4 4 2019-07-22 0.4443343
## 5 5 2019-07-31 1.3214042
## 6 6 2019-08-05 -3.9744676
servicios_diarios_ts <- ts(
data = servicios$Totales,
start = c(2019,07,03), frequency = 365)
servicios_diarios_xts <- xts(servicios$Totales,
order.by = servicios$Fecha, frequency = 365)
ts_plot(servicios_diarios_ts, color = "darkgreen", Xtitle = "Fecha",
Ytitle = "Valores",
title = "Serie de servicios diarios")
plot.xts(x = servicios_diarios_xts, bg = "white",
col = "black", labels.col = "black",
main = "Serie de servicios diarios")
urca::ur.df(servicios_diarios_ts)
##
## ###############################################################
## # Augmented Dickey-Fuller Test Unit Root / Cointegration Test #
## ###############################################################
##
## The value of the test statistic is: -12.3695
El valor del estadístico de Dickey-Fuller es -12.3695. Este resultado, significativamente menor que el valor crítico, nos permite rechazar la hipótesis nula de que la serie tiene una raíz unitaria a un nivel de significancia del 5%. En consecuencia, se concluye que la serie de tiempo es estacionaria.
kpss.test(servicios_diarios_ts)
## Warning in kpss.test(servicios_diarios_ts): p-value greater than printed
## p-value
##
## KPSS Test for Level Stationarity
##
## data: servicios_diarios_ts
## KPSS Level = 0.055123, Truncation lag parameter = 4, p-value = 0.1
KPSS Level = 0.055123, Truncation lag parameter = 4, p-value = 0.1 Ho:La serie de tiempo es estacionaria. Ha:La serie de tiempo no es estacionaria. Dado que el valor p es 0.1, mayor al nivel de significancia convencional de 0.05, no se rechaza la hipótesis nula.
ggAcf(servicios_diarios_ts, col = "red", lwd = 1)# p = 1
ggPacf(servicios_diarios_ts, col = "blue", lag.max = 10, lwd = 1) # q = 1
div_dia_serv <- ts_split(servicios_diarios_ts,
sample.out =
round(length(servicios_diarios_ts)*0.2))
entrena_serv_diaria <- div_dia_serv$train
prueba_serv_diaria <- div_dia_serv$test
modelo_arima_dia_serv <- auto.arima(entrena_serv_diaria,
seasonal = F,
stepwise = F,
stationary = T)
summary(modelo_arima_dia_serv)
## Series: entrena_serv_diaria
## ARIMA(0,0,1) with zero mean
##
## Coefficients:
## ma1
## -0.3123
## s.e. 0.0798
##
## sigma^2 = 6.185: log likelihood = -339.73
## AIC=683.46 AICc=683.55 BIC=689.43
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE ACF1
## Training set 0.07023638 2.478448 1.890346 NaN Inf NaN -0.001958825
# AIC=683.46 AICc=683.55 BIC=689.43
# ARIMA(0,0,1) with zero mean
checkresiduals(modelo_arima_dia_serv, col = "red")# p-value = 0.608
##
## Ljung-Box test
##
## data: Residuals from ARIMA(0,0,1) with zero mean
## Q* = 25.363, df = 28, p-value = 0.608
##
## Model df: 1. Total lags used: 29
pronostico_diaria_serv <- forecast(modelo_arima_dia_serv,
h = length(prueba_serv_diaria),
level = 0.95)
accuracy(pronostico_diaria_serv$mean, prueba_serv_diaria)
## ME RMSE MAE MPE MAPE ACF1 Theil's U
## Test set -0.1746723 2.580305 1.923801 98.96327 98.96327 -0.3545646 0
# ME RMSE MAE MPE MAPE
# Test set -0.1746723 2.580305 1.923801 98.96327 98.96327
accuracy(pronostico_diaria_serv$mean[1:50], prueba_serv_diaria[1:50])
## ME RMSE MAE MPE MAPE
## Test set -0.1746723 2.580305 1.923801 98.96327 98.96327
# ME RMSE MAE MPE MAPE
# Test set -0.1746723 2.580305 1.923801 98.96327 98.96327
El modelo determinado está muy debajo del mejor modelo (RML) por lo cual no se considera un modelo óptimo.